Simulation numérique

Parce que la Schubart Master Formula est une intégrale double sur l’énergie et l’angle, son évaluation pour tout cas concret requiert des méthodes numériques. Ce chapitre décrit la méthodologie générale pour ce faire — comment discrétiser l’intégrale, comment fournir les entrées et comment confirmer qu’un résultat calculé a convergé. Tout au long, l’accent est mis sur la méthode plutôt que sur des nombres précis ; tous les chiffres mentionnés sont des valeurs indicatives illustratives présentées comme telles, non des résultats mesurés.

Discrétisation de l’intégrale

Le point de départ est la représentation physique développée,

$$P(t) = \iint \Phi(E,\theta,t)\,\sigma(E)\,\Delta p\,v_{\text{ph}}\,\eta_{\text{conv}}\;dE\,d\theta .$$

L’approche numérique la plus directe remplace les intégrales continues par des sommes sur une grille. L’axe des énergies est partitionné en $N_E$ intervalles et l’axe angulaire en $N_\theta$ intervalles, et l’intégrande est évalué en des points représentatifs de chaque cellule. En écrivant l’intégrande comme $f(E,\theta,t)$, une quadrature simple s’écrit

$$P(t) \approx \sum_{i=1}^{N_E}\sum_{j=1}^{N_\theta} w_{ij}\,f(E_i,\theta_j,t)\,\Delta E_i\,\Delta\theta_j ,$$

où $\Delta E_i$ et $\Delta\theta_j$ sont les largeurs des cellules et $w_{ij}$ les poids de quadrature. Pour la règle du point milieu, les poids valent l’unité et les points d’échantillonnage se situent au centre des cellules. Des schémas plus précis — quadrature trapézoïdale, de Simpson ou de Gauss–Legendre — remplacent l’évaluation au point milieu par des sommes pondérées qui réduisent l’erreur de discrétisation pour un nombre donné de points. Le choix du schéma est un compromis standard entre précision et coût d’évaluation, et rien dans le cadre ne favorise une quadrature particulière plutôt qu’une autre.

Stratégie de discrétisation et ordre de convergence

Parce que le domaine est un produit des axes d’énergie et d’angle, la règle bidimensionnelle se construit le plus simplement comme un produit tensoriel de règles unidimensionnelles, une pour $E$ et une pour $\theta$. Cette factorisation importe à la fois pour le coût et pour la précision. Du côté du coût, une grille tensorielle utilise $N_E \times N_\theta$ évaluations de l’intégrande, de sorte que raffiner les deux axes ensemble coûte quadratiquement ; lorsqu’un seul axe porte toute la structure — une résonance abrupte dans $\sigma(E)$ le long de l’axe d’énergie, par exemple — il est souvent bien moins coûteux de raffiner cet axe seul. Du côté de la précision, chaque règle unidimensionnelle porte son propre ordre de convergence, l’exposant $p$ dans la loi d’échelle asymptotique de l’erreur

$$\left| P_{\text{exact}} - P_{N} \right| \;\sim\; C\,N^{-p} ,$$

où $N$ est le nombre de points le long de l’axe et $C$ dépend de la régularité de l’intégrande. Pour la règle trapézoïdale $p = 2$, de sorte que diviser par deux le pas réduit l’erreur à peu près d’un facteur quatre ; pour la règle de Simpson $p = 4$ sur un intégrande régulier ; et pour la quadrature de Gauss–Legendre la convergence est encore plus rapide, effectivement exponentielle pour un intégrande analytique sans singularité dans le domaine. Ces ordres sont exactement les résultats classiques tabulés dans les références standard comme Press et al., Numerical Recipes, et ils se transposent à l’intégrale double par la construction tensorielle. La conséquence pratique est que c’est la régularité de l’intégrande, et non l’ordre nominal du schéma, qui fixe la précision atteignable : une règle d’ordre quatre appliquée à travers une quasi-discontinuité de $\sigma(E)$ se dégrade localement en un comportement d’ordre un, et l’erreur globale est alors dominée par cette seule région mal résolue.

Fourniture des entrées

Une simulation n’a de sens que dans la mesure de ses entrées. Quatre types d’entrées doivent être fournis. Premièrement, le modèle de flux $\Phi(E,\theta,t)$ : une description du spectre ambiant et de sa distribution angulaire, mesurée ou tirée d’une distribution supposée. Deuxièmement, la section efficace $\sigma(E)$ : le couplage dépendant de l’énergie, typiquement fourni sous forme de fonction tabulée ou paramétrée ; son comportement analytique est discuté dans analyse de sigma. Troisièmement, les paramètres de transfert de quantité de mouvement, de transport et de rendement $\Delta p$, $v_{\text{ph}}$ et $\eta_{\text{conv}}$, qui peuvent être des constantes ou dépendre eux-mêmes de $E$ et $\theta$. Les définitions et unités de tous ceux-ci sont fixées dans définitions des variables. Parce que plusieurs de ces entrées portent une incertitude, une simulation responsable propage cette incertitude plutôt que de rapporter un seul nombre déterministe — un point repris dans validation Monte-Carlo.

Vérification de la convergence

La question centrale de contrôle qualité pour une quadrature déterministe est de savoir si le résultat a convergé par rapport à la résolution de la grille. La procédure standard consiste à calculer $P(t)$ sur une suite de grilles de plus en plus fines — en doublant $N_E$ et $N_\theta$ à chaque étape — et à observer comment l’estimation change. Lorsque des raffinements successifs modifient le résultat de moins qu’une tolérance choisie, la grille est jugée suffisante. Une version plus quantitative de ce test utilise directement l’ordre de convergence supposé : si l’erreur varie comme $N^{-p}$, alors calculer l’intégrale sur trois grilles de pas $h$, $h/2$ et $h/4$ et comparer les différences successives révèle à la fois l’ordre observé et, par extrapolation de Richardson, une estimation améliorée. En écrivant $P_h$, $P_{h/2}$, $P_{h/4}$ pour les trois résultats, le rapport

$$\frac{P_{h} - P_{h/2}}{P_{h/2} - P_{h/4}} \;\approx\; 2^{p}$$

devrait restituer l’ordre attendu ; une valeur très éloignée de $2^p$ est un avertissement que l’intégrande n’est pas aussi régulier que supposé et que l’estimation nominale de l’erreur ne peut être tenue pour fiable. Pour un intégrande régulier, une quadrature bien choisie converge rapidement ; des caractéristiques abruptes dans $\sigma(E)$ ou dans le flux, telles qu’une résonance étroite, exigent un échantillonnage plus fin dans la région de la caractéristique et sont une cause fréquente de convergence lente. Les schémas adaptatifs, qui subdivisent les cellules partout où une estimation locale de l’erreur dépasse un seuil et placent ainsi plus de points là où l’intégrande varie vite, sont le remède naturel.

À titre d’exemple illustratif seulement, on pourrait constater qu’augmenter la grille d’énergie d’un réglage grossier à un réglage modérément fin décale une estimation de sortie indicative de quelques pour cent, après quoi un raffinement supplémentaire la modifie de bien moins d’un pour cent — la signature d’un calcul convergé. De tels chiffres sont purement notionnels et devraient être établis à nouveau pour tout cas réel ; ils sont donnés ici uniquement pour montrer la forme d’une étude de convergence, non pour affirmer un résultat.

Estimation et budget d’erreur

Un résultat numérique défendable s’accompagne d’un budget d’erreur explicite qui sépare les contributions distinctes. L’erreur de discrétisation est le terme $C\,N^{-p}$ ci-dessus, estimé en pratique par la différence de raffinement successif $|P_{h/2} - P_{h/4}|$, qui, pour une suite convergente, borne l’erreur restante à un petit facteur près. L’erreur de troncature provient de la coupure du domaine d’énergie à une limite supérieure finie ; elle est bornée par l’intégrale de la queue négligée, et le domaine devrait être étendu jusqu’à ce que cette borne tombe sous l’erreur de discrétisation. L’erreur d’entrée, propagée depuis l’incertitude sur $\Phi$, $\sigma(E)$, $\Delta p$, $v_{\text{ph}}$ et $\eta_{\text{conv}}$, est habituellement la plus grande des trois et se traite par les méthodes stochastiques de validation Monte-Carlo plutôt que par raffinement de grille. Une erreur fréquente et instructive consiste à raffiner la grille jusqu’à la précision machine tout en ignorant une incertitude d’entrée de plusieurs dizaines de pour cent — polir un nombre dont l’erreur réelle est dominée par un facteur que la quadrature ne peut atteindre. La discipline consiste à rapporter les trois contributions et à laisser la plus grande gouverner l’effort que mérite chaque raffinement supplémentaire.

Sources d’erreur numérique

Au-delà de l’erreur de discrétisation, un praticien attentif surveille quelques écueils récurrents. Tronquer trop tôt l’intégrale d’énergie écarte le flux dans les queues ; le domaine devrait s’étendre jusqu’à ce que l’intégrande soit véritablement négligeable, comme noté dans architecture mathématique. Utiliser une grille angulaire qui ignore la mesure correcte — par exemple en omettant un facteur $\sin\theta$ là où une intégration sur l’angle solide l’exige — introduit un biais systématique qu’aucun raffinement ne supprimera, car c’est une erreur dans l’intégrande, non dans son échantillonnage. Et interpoler un $\sigma(E)$ grossièrement tabulé à travers une caractéristique abrupte peut sous- ou surestimer le recouvrement avec le flux. Chacun de ces points est évitable avec une hygiène numérique standard, et chacun devrait être documenté à côté de tout résultat rapporté.

De l’évaluation déterministe à l’évaluation statistique

La quadrature déterministe répond à la question « étant donné ces entrées exactes, que vaut $P(t)$ ? ». Elle ne répond pas, à elle seule, à « étant donné l’incertitude sur ces entrées, quelle confiance devrions-nous avoir dans $P(t)$ ? ». Cette seconde question appelle des méthodes stochastiques, dans lesquelles les entrées sont échantillonnées depuis leurs distributions et l’intégrale est estimée statistiquement. Ces méthodes, et les intervalles de confiance qu’elles produisent, font l’objet de validation Monte-Carlo et analyse de sigma. Une quadrature déterministe convergée y joue aussi un second rôle : exécutée sur un unique jeu d’entrées fixées, elle est la référence contre laquelle un estimateur de Monte-Carlo est recoupé, de sorte que les deux méthodes sont complémentaires plutôt qu’alternatives.

Pour aller plus loin

• Press, W. H., Teukolsky, S. A., Vetterling, W. T., & Flannery, B. P. (2007). Numerical Recipes: The Art of Scientific Computing (3e éd.). Cambridge University Press — la référence standard pour les schémas de quadrature, l’ordre de convergence et l’intégration adaptative.
• Stoer, J., & Bulirsch, R. (2002). Introduction to Numerical Analysis (3e éd.). Springer — traitement rigoureux de l’analyse d’erreur de quadrature et de l’extrapolation de Richardson.
• Davis, P. J., & Rabinowitz, P. (1984). Methods of Numerical Integration (2e éd.). Academic Press — exhaustif sur la quadrature gaussienne et l’intégration multidimensionnelle.